論文の概要: Usage Analysis of Mobile Devices

• arxiv url: http://arxiv.org/abs/2005.12140v1
• Date: Wed, 13 May 2020 12:15:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-20 07:34:14.282367
• Title: Usage Analysis of Mobile Devices
• Title（参考訳）: モバイルデバイスの利用状況分析
• Authors: Aman Singh, Ashish Prajapatia, Vikash Kumar, Subhankar Mishra
• Abstract要約: Deep Learning Network (DNN) によるユーザ行動検出の新しい手法の提案 最初のアプローチは、リカレントニューラルネットワーク(RNN)とLong Short Term Memory(LSTM)を、完全に教師なしのモバイルデバイス分析に使用することだった。 次のアプローチは、Long Short Term Memory(LSTM)を使用して、ユーザの振る舞いを理解して機能を抽出し、それを畳み込みニューラルネットワーク(CNN)に入力する。
• 参考スコア（独自算出の注目度）: 9.686156285265069
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile devices have evolved from just communication devices into an indispensable part of people's lives in form of smartphones, tablets and smart watches. Devices are now more personal than ever and carry more information about a person than any other. Extracting user behaviour is rather difficult and time-consuming as most of the work previously has been manual or requires feature extraction. In this paper, a novel approach of user behavior detection is proposed with Deep Learning Network (DNN). Initial approach was to use recurrent neural network (RNN) along with LSTM for completely unsupervised analysis of mobile devices. Next approach is to extract features by using Long Short Term Memory (LSTM) to understand the user behaviour, which are then fed into the Convolution Neural Network (CNN). This work mainly concentrates on detection of user behaviour and anomaly detection for usage analysis of mobile devices. Both the approaches are compared against some baseline methods. Experiments are conducted on the publicly available dataset to show that these methods can successfully capture the user behaviors.
• Abstract（参考訳）: モバイル機器は単なる通信機器から、スマートフォン、タブレット、スマートウォッチという形で人々の生活に欠かせない部分へと進化してきた。 デバイスは今やこれまで以上に個人的になり、誰よりも人に関する情報を持っている。 ユーザ動作の抽出は、これまでほとんどの作業が手作業だったり、機能抽出を必要としていたため、かなり困難で時間がかかります。 本稿では,Deep Learning Network (DNN) を用いて,ユーザ行動検出の新しい手法を提案する。 最初のアプローチは、リカレントニューラルネットワーク(RNN)とLSTMを使って、完全に教師なしのモバイルデバイスの分析を行うことだった。 次のアプローチは、Long Short Term Memory(LSTM)を使用して、ユーザの振る舞いを理解し、それを畳み込みニューラルネットワーク(CNN)に入力することで、機能を抽出する。 本研究は主にモバイルデバイスの使用状況分析のためのユーザ動作の検出と異常検出に重点を置いている。 どちらのアプローチも、いくつかのベースラインメソッドと比較される。 公開データセットで実験を行い、これらのメソッドがユーザの振る舞いをうまくキャプチャできることを示す。

関連論文リスト

• Approaches to human activity recognition via passive radar [4.2261749429617534]
  この論文は、非侵入的Wi-Fiチャネル状態情報(CSI)データに着目した受動レーダを用いた人活動認識(HAR)の新しい手法を探求する。 本研究では、スパイキングニューラルネットワーク(SNN)を用いたCSIの非侵入性を利用して、人間の動きによる信号の変動を解釈する。
  論文  参考訳（メタデータ） (2024-10-31T17:28:41Z)
• LGB: Language Model and Graph Neural Network-Driven Social Bot Detection [43.92522451274129]
  悪意のあるソーシャルボットは、誤った情報を広め、社会的世論を喚起することで、悪意ある目的を達成する。 言語モデル (LM) とグラフニューラルネットワーク (GNN) の2つの主要コンポーネントから構成される新しいソーシャルボット検出フレームワーク LGB を提案する。 2つの実世界のデータセットの実験では、LGBは最先端のベースラインモデルよりも最大10.95%向上している。
  論文  参考訳（メタデータ） (2024-06-13T02:47:38Z)
• Modeling User Preferences via Brain-Computer Interfacing [54.3727087164445]
  我々はBrain-Computer Interface技術を用いてユーザの好みを推測し、その注意力は視覚的コンテンツと感情的体験との関連性に相関する。 我々はこれらを,情報検索,生成モデルのパーソナライズされたステアリング,感情経験のクラウドソーシング人口推定など,関連するアプリケーションにリンクする。
  論文  参考訳（メタデータ） (2024-05-15T20:41:46Z)
• Intrusion Detection in Internet of Things using Convolutional Neural Networks [4.718295605140562]
  CNNを用いたIoTデバイスへの侵入攻撃に対する新しい解決策を提案する。 データは畳み込み操作として符号化され、時間とともにセンサーデータからパターンをキャプチャする。 実験の結果, LSTMを用いたベースラインと比較して, 真正率, 偽正率ともに有意な改善が認められた。
  論文  参考訳（メタデータ） (2022-11-18T07:27:07Z)
• Big data analysis and distributed deep learning for next-generation intrusion detection system optimization [0.0]
  本稿では,IDSよりも検出率が高く,偽陽性が低い新たな脅威を検出する方法を提案する。 我々は、Apache Spark Framework上でのLong Short Term Memory(LSTM)というディープリカレントニューラルネットワークであるNetworkingを使用して、これらの結果を達成する。 そこで本稿では,ネットワークがコンテキスト内の数百万のパケット列から通常動作を抽象的に記述し,ほぼリアルタイムで解析し,ポイント,集合,コンテキストの異常を検出するモデルを提案する。
  論文  参考訳（メタデータ） (2022-09-28T09:46:16Z)
• CubeLearn: End-to-end Learning for Human Motion Recognition from Raw mmWave Radar Signals [40.53874877651099]
  mmWave FMCWレーダーは近年、人間中心の応用に多大な研究関心を集めている。 既存のパイプラインのほとんどは、従来のDFT前処理とディープニューラルネットワークハイブリッド方式に基づいて構築されている。 生のレーダ信号から特徴を直接抽出する学習可能な前処理モジュールであるCubeLearnを提案する。
  論文  参考訳（メタデータ） (2021-11-07T00:45:51Z)
• Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
  顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。 これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
  論文  参考訳（メタデータ） (2021-09-21T16:18:45Z)
• Smartphone Impostor Detection with Behavioral Data Privacy and Minimalist Hardware Support [7.374079197112307]
  impostorは、スマートフォンを乗っ取り、合法的なユーザーの機密情報や個人情報にアクセスする攻撃者です。 本稿では,簡単な深層学習アルゴリズムを用いてイポスタを素早く検出する防御機構を提案する。 また,スマートフォンインポスタ検出器用sidと呼ばれるミニマリストハードウェアモジュールを,自己完結インポスタ検出のためにスマートフォンに設計・統合する方法を示す。
  論文  参考訳（メタデータ） (2021-03-11T04:39:53Z)
• Spiking Neural Networks -- Part III: Neuromorphic Communications [38.518936229794214]
  ますますワイヤレスに接続されるデバイスの存在は、機械学習の進歩を輸出しようと努力している。 帯域制限されたチャネルを介して接続されたバッテリ駆動デバイス上での学習と推論のための機械学習モデルの実装は依然として困難である。 本稿では、スパイキングニューラルネットワーク(SNN)がこれらのオープンな問題に対処する2つの方法を探る。
  論文  参考訳（メタデータ） (2020-10-27T11:52:35Z)
• Enabling Incremental Knowledge Transfer for Object Detection at the Edge [25.22732861751805]
  ディープニューラルネットワーク(DNN)を用いたオブジェクト検出には、膨大な量の計算が必要になる。 浅いニューラルネットワーク(SHNN)は、観察環境内のオブジェクトを検出するために、エンドユーザデバイスにデプロイされる。 SHNNの知識は、LANまたはWi-Fiを介してユーザ端末に接続された強力なエッジデバイスから得ることができる。
  論文  参考訳（メタデータ） (2020-04-13T02:19:18Z)
• Any-Shot Sequential Anomaly Detection in Surveillance Videos [36.24563211765782]
  本稿では,トランスファーラーニングとノンショットラーニングを用いた監視ビデオのオンライン異常検出手法を提案する。 提案アルゴリズムは,トランスファー学習のためのニューラルネットワークモデルの特徴抽出能力と,統計的検出手法のノンショット学習能力を利用する。
  論文  参考訳（メタデータ） (2020-04-05T02:15:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。